[論文レビュー] DeepPlastic: A Novel Approach to Detecting Epipelagic Bound Plastic Using Deep Visual Models.

Gautam Tata, Sarah‐Jeanne Royer+2 more|arXiv (Cornell University)|May 5, 2021

Microplastics and Plastic Pollution参考文献 25被引用数 8

ひとこと要約

DeepPlasticは、ドメイン固有の海洋画像を用いてYOLOv5-Sを活用することで、スケーラブルでリアルタイムな方法でエピペリャジカル海洋プラスチックを検出する。85.1%のmAPと89%のF1スコアを達成しながら、ほぼリアルタイムの推論を維持し、大規模なプラスチックモニタリングにおける物理的トロールの代替手段としてコスト効率の高いソリューションを提供する。

ABSTRACT

The quantification of positively buoyant marine plastic debris is critical to understanding how concentrations of trash from across the world's ocean and identifying high concentration garbage hotspots in dire need of trash removal. Currently, the most common monitoring method to quantify floating plastic requires the use of a manta trawl. Techniques requiring manta trawls (or similar surface collection devices) utilize physical removal of marine plastic debris as the first step and then analyze collected samples as a second step. The need for physical removal before analysis incurs high costs and requires intensive labor preventing scalable deployment of a real-time marine plastic monitoring service across the entirety of Earth's ocean bodies. Without better monitoring and sampling methods, the total impact of plastic pollution on the environment as a whole, and details of impact within specific oceanic regions, will remain unknown. This study presents a highly scalable workflow that utilizes images captured within the epipelagic layer of the ocean as an input. It produces real-time quantification of marine plastic debris for accurate quantification and physical removal. The workflow includes creating and preprocessing a domain-specific dataset, building an object detection model utilizing a deep neural network, and evaluating the model's performance. YOLOv5-S was the best performing model, which operates at a Mean Average Precision (mAP) of 0.851 and an F1-Score of 0.89 while maintaining near-real-time speed.

研究の動機と目的

• 物理的収集を要する現在のマントラトラールベースの手法に起因する制限を是正すること。
• 海洋表面からの視覚的データを用いて、エピペリャジカル海洋プラスチックごみのスケーラブルでリアルタイムのモニタリングシステムを構築すること。
• 自然の海洋環境において正確で高速なプラスチック検出が可能な、ドメイン特化型のデータセットを構築し、深層学習モデルを訓練すること。
• 深層ニューラルネットワークが、現実の海洋画像条件下で正に浮遊するプラスチックごみを検出する能力を評価すること。

提案手法

• 訓練および評価用のドメイン特化型データセットを構築するため、エピペリャジカル海洋層からの画像を収集および前処理すること。
• 深層ニューラルネットワークを用いてオブジェクト検出モデルを訓練および微調整し、最適なアーキテクチャとしてYOLOv5-Sを選定すること。
• モデルの性能を評価するため、平均平均精度（mAP）およびF1スコアを評価指標として用いること。
• スケーラブルな展開を可能にするために、ほぼリアルタイムの推論速度を最適化すること。
• 多様な海洋視覚状態におけるモデルの一般化能力を向上させるために、データオーグメンテーションおよび前処理技術を適用すること。
• 実世界の展開シナリオにおける頑健性と信頼性を保証するため、保持されたテストセットを用いてモデルを検証すること。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースの視覚モデルは、高い精度と再現率で、エピペリャジカル海洋画像内に存在する正に浮遊するプラスチックごみを正確に検出できるか？
• RQ2 現実の海洋条件下で、YOLOv5-Sは他のオブジェクト検出モデルと比較して、海洋プラスチック検出においてどの程度の性能を示すか？
• RQ3 スケーラブルな海洋モニタリングを実現するにあたり、深層学習モデルは高い検出精度を維持しながら、どの程度のリアルタイム推論速度を達成できるか？
• RQ4 ドメイン特化型の海洋表面画像データセットは、多様な海洋環境におけるプラスチック検出のための効果的な一般化を可能にするか？

主な発見

• YOLOv5-Sは、テストされたモデルの中で最高の性能を示し、ドメイン特化型データセットで平均平均精度（mAP）が0.851を達成した。
• モデルはF1スコア0.89を達成し、プラスチック検出における精度と再現率の良好なバランスを示した。
• モデルはほぼリアルタイムの推論速度で動作し、継続的な海洋モニタリングに向けたスケーラブルな展開が可能となった。
• 本研究で提示されたワークフローにより、遠隔地の画像ベースの海洋プラスチック定量が可能になり、物理的トロールへの依存が著しく減少した。
• ドメイン特化型のデータセットおよびモデルの微調整プロセスにより、複雑で多様な海洋表面状態下での検出精度が向上した。
• 結果から、従来のマントラトラールサンプリングの代替手段として、コスト効率の高い大規模なプラスチック検出に深視覚モデルを活用することが実現可能であることが示された。